[发明专利]一种基于分布式机器学习的无线网络资源分配方法

权利要求书

1.一种基于分布式机器学习的无线网络资源分配方法，其特征在于，包括：

S1，在各基站侧构建相同规模的深度神经网络模型，并将初始化后的原始网络环境系数划分为多组网络环境系数；

S2，以提升系统能量效率为目标，对每组网络环境系数，分别利用拉格朗日对偶分解法，确定最优的用户关联策略和功率分配策略；

S3，将网络环境系数和与各基站相关的最优的用户关联策略和功率分配策略存储为相应基站侧深度神经网络模型的训练集；

S4，根据各基站侧的训练集，各基站侧的工作节点采用分布式异步通信方式，训练深度神经网络模型；

S5，获取待处理的网络环境系数，将其输入到训练好的深度神经网络模型中进行神经网络计算，输出结果为优化后的用户关联策略和功率分配策略；

其中，所述以提升系统能量效率为目标，对每组网络环境系数，分别利用拉格朗日对偶分解法，确定最优的用户关联策略和功率分配策略包括：

S21，对每组网络环境系数，确定基站到用户终端的信息传输速率及系统能量效率；

S22，根据确定的基站到用户终端的信息传输速率及系统的能量效率，利用拉格朗日对偶分解法，确定用户关联判决矩阵；

S23，根据确定的用户关联判决矩阵，生成基站与用户的关联策略；

S24，基于生成的基站与用户的关联策略，对基站到用户的发射功率进行更新；

S25，根据生成的基站与用户的关联策略及更新得到的基站到用户的发射功率，确定系统能量效率；若当前确定的系统能量效率与上一次确定的系统能量效率之间的差值小于预设的阈值，则判断生成的基站与用户的关联策略及更新得到的基站到用户的发射功率为最优分配策略；否则，返回S21继续执行；

基站到用户终端的信息传输速率表示为：

其中，c_m,n表示基站m到用户终端n的信息传输速率；M表示基站的集合，W为系统带宽，K_m表示与基站m相关联的用户终端个数，γ_m,n表示用户终端n从基站m获得的信号信噪比，p_m,n表示基站m到用户终端n的发射功率，h_m,n表示用户终端n与基站m之间的信道系数，h_k,n表示用户终端n与除基站m外的其他基站之间的信道系数，p_k,n表示除基站m外的其他基站到用户终端n的发射功率，σ表示加性高斯白噪声的功率谱密度；

系统能量效率表示为：

其中，N表示所有用户的集合，x_m,n表示基站m与用户终端n的关联情况，表示基站m的电路消耗功率，s.t.表示x_m,n与p_m,n的约束条件，p_max表示基站m的最大发射功率，R_t表示用户n收到的最小信息传输速率或最小服务质量要求，I_m为基站m接收到的最大干扰限制阈值；

用户关联判决矩阵表示为：

其中，Θ_m,n表示用户关联判决矩阵，μ_m、λ_m、ν_n、τ_m都表示拉格朗日乘子，t表示第t次迭代；

基站与用户的关联策略表示为：

基站到用户的发射功率的更新公式表示为：

其中，t表示第t次迭代，δ为迭代更新步长，f(p_m,n)为简写形式；

所述根据各基站侧的训练集，各基站侧的工作节点采用分布式异步通信方式，训练深度神经网络模型包括：

在训练过程中，各基站侧的工作节点采用分布式异步并行方式进行梯度计算，并将计算得到的梯度上传到参数服务器；其中，梯度表示为：

其中，w_t表示第t次迭代的权重；表示在第m个基站处的工作节点的样本的梯度；为第m个基站处工作节点的训练集中的样本，包括x_m,n和p_m,n；表示使用梯度计算方法求解深度神经网络模型的权重；

参数服务器根据接收到的梯度更新权重，并将更新后的权重返回给对应的工作节点，以完成深度神经网络模型的训练，其中，权重的更新公式为：

其中，η表示学习率，w_t+1表示第t+1次迭代的权重。